مدل سازی جریان روزانه رودخانه با استفاده از برنامه ریزی ژنتیک و شبکه عصبی (مطالعه موردی: حوضه آبخیز معرف امامه)

فرایند بارش- رواناب پیچیده و غیرخطی است و مدل‏سازی آن به دلیل عدم قطعیت‏های زیاد یکی از مهم‏ترین دغدغه های پژوهشگران در حیطه مسائل منابع آب به شمار می رود. از بین روش‏های مورد استفاده، مدل‏های هوشمند در پیش‏بینی چنین فرایندهایی مفید و موثرند. بنابراین، به منظور مدل‏سازی جریان رودخانه از روش‏های شبکه عصبی مصنوعی و همچنین برنامه ریزی ژنتیک به منزله روشی صریح که جزو الگوریتم‏های تکاملی به شمار می رود در حوضه آبخیز معرف امامه و در دوره آماری 1349 - 1350 تا 1390 - 1391 (42 ساله) استفاده شد. بدین منظور، از داده های هواشناسی و آب‏سنجی در مقیاس روزانه و در قالب 62 مدل پیشنهادی استفاده شد. نتایج نشان داد برنامه ریزی ژنتیکی، از میان مدل‏های فراوان، خطای کمتری داشت. خطای مدل‏ها نیز وقتی که فقط از عملگرهای اصلی ریاضی و توان استفاده شد به مراتب کمتر بود. سرانجام، با توجه به معیارهای ارزیابی مورد استفاده در این تحقیق، ساختار پیشنهادی با ورودی های (مدل 54) دما، باران، و تاخیرهای باران تا دو روز، رطوبت ‏نسبی و تبخیر و تعرق و تاخیر جریان تا دو روز به عنوان بهترین مدل با خطای 001/0، 031/0، و 009/0 در مرحله آموزش و 001/0، 032/0، و 009/0 در مرحله آزمایش به دست آمد.